| dc.creator | Gorgens, Eric Bastos | |
| dc.creator | Leite, Helio Garcia | |
| dc.creator | Gleriani, José Marinaldo | |
| dc.creator | Soares, Carlos Pedro Boechat | |
| dc.creator | Ceolin, Aline | |
| dc.date | 2018-01-08T10:59:25Z | |
| dc.date | 2018-01-08T10:59:25Z | |
| dc.date | 2014-02-27 | |
| dc.date.accessioned | 2023-09-27T21:33:02Z | |
| dc.date.available | 2023-09-27T21:33:02Z | |
| dc.identifier | 1806-9088 | |
| dc.identifier | http://dx.doi.org/10.1590/S0100-67622014000200009 | |
| dc.identifier | http://www.locus.ufv.br/handle/123456789/16124 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8962476 | |
| dc.description | As redes neurais supervisionadas são compostas por unidades de processamento organizadas de forma paralela, em que cada uma delas computa determinadas funções matemáticas. As unidades são organizadas em camadas e ligadas por pesos sinápticos que ponderam as entradas, buscando ajustá-los a um padrão de saída previamente estabelecido. É fundamental a correta definição do número de camadas e da quantidade de neurônios em cada uma delas, uma vez que o treinamento é influenciado diretamente por esses parâmetros. Para explorar esse ponto, dados de cubagem de cinco empresas diferentes foram reunidos em uma planilha e, de forma aleatória, divididos em conjunto de treinamento e conjunto de validação. Os dados foram apresentados para três redes com arquiteturas diferentes. A avaliação foi feita por meio de gráficos de resíduos e teste t (p< = 0,05). Com base nos resultados, foi possível concluir que, para obter estimativas de volume por árvore, a rede neural deve ser construída com mais de 10 neurônios na primeira camada, sendo recomendado o uso de mais de uma camada intermediária. | |
| dc.description | Supervised neural networks are composed of parallel processing units. Each unit, called neurons, computes certain mathematical functions. The units are arranged in layers and connected by synaptic weights to balance the entries, trying to adjust them to a predetermined output pattern. The correct definition of the number of layers and the number of neurons in each layer are crucial, once the training is directly influenced by these parameters. To explore this point, data of scaling from five different regions were arranged in a spreadsheet and randomly divided into training and validation set. Data were presented for three networks with different architectures. The evaluation was performed using residual plots and t test (p <0.05). To estimate volume per tree, the neural network must be built with more than 10 neurons in the first layer, and it is recommended the use of more than one intermediate layer. | |
| dc.format | pdf | |
| dc.format | application/pdf | |
| dc.language | por | |
| dc.publisher | Revista Árvore | |
| dc.relation | v. 38, n. 2, p. 289-295, Mar./Abr. 2014 | |
| dc.rights | Open Access | |
| dc.subject | Cubagem | |
| dc.subject | Neurônios | |
| dc.subject | Camada | |
| dc.title | Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais | |
| dc.type | Artigo | |
